Fugu-MT 論文翻訳(概要): CLAIRE -- Parallelized Diffeomorphic Image Registration for Large-Scale Biomedical Imaging Applications

論文の概要: CLAIRE -- Parallelized Diffeomorphic Image Registration for Large-Scale Biomedical Imaging Applications

arxiv url: http://arxiv.org/abs/2209.08189v1
Date: Fri, 16 Sep 2022 22:42:24 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 19:21:45.751334
Title: CLAIRE -- Parallelized Diffeomorphic Image Registration for Large-Scale Biomedical Imaging Applications
Title（参考訳）: CLAIRE --大規模バイオメディカルイメージングのための並列化拡散画像登録
Authors: Naveen Himthani and Malte Brunn and Jae-Youn Kim and Miriam Schulte and Andreas Mang and George Biros
Abstract要約: 数十億のボクセルを用いた大規模バイオメディカルイメージングアプリケーションにおけるCLAIREの性能について検討した。 CLAIREで得られた完全解像度の登録と、合成および実世界のデータセットの低解像度の登録を比較した。私たちの結果は、完全な解像度での登録は、優れた登録品質をもたらす可能性があることを示唆しています。
参考スコア（独自算出の注目度）: 3.094458292166017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the performance of CLAIRE -- a diffeomorphic multi-node, multi-GPU image-registration algorithm, and software -- in large-scale biomedical imaging applications with billions of voxels. At such resolutions, most existing software packages for diffeomorphic image registration are prohibitively expensive. As a result, practitioners first significantly downsample the original images and then register them using existing tools. Our main contribution is an extensive analysis of the impact of downsampling on registration performance. We study this impact by comparing full-resolution registrations obtained with CLAIRE to lower-resolution registrations for synthetic and real-world imaging datasets. Our results suggest that registration at full resolution can yield a superior registration quality -- but not always. For example, downsampling a synthetic image from $1024^3$ to $256^3$ decreases the Dice coefficient from 92% to 79%. However, the differences are less pronounced for noisy or low-contrast high-resolution images. CLAIRE allows us not only to register images of clinically relevant size in a few seconds but also to register images at unprecedented resolution in a reasonable time. The highest resolution considered is CLARITY images of size $2816\times3016\times1162$. To the best of our knowledge, this is the first study on image registration quality at such resolutions.
Abstract（参考訳）: 数十億のボクセルを用いた大規模バイオメディカルイメージングアプリケーションにおいて, CLAIRE(微分型多ノード, マルチGPU画像登録アルゴリズム, ソフトウェア)の性能について検討した。このような解像度では、既存の画像登録用ソフトウェアパッケージのほとんどは、非常に高価である。その結果、実践者はまず元のイメージを著しくダウンサンプルし、次に既存のツールを使って登録する。当社の主な貢献は、ダウンサンプリングが登録パフォーマンスに与える影響の広範な分析です。本研究では,claireで取得したフルレゾリューション登録と,合成画像と実世界画像データセットの低レゾリューション登録を比較した。以上の結果から,全解像度での登録は登録品質に優れる可能性が示唆された。例えば、合成画像を1024^3$から256^3$にダウンサンプリングすると、サイス係数が92%から79%に低下する。しかし、ノイズや低コントラスト高解像度画像では、差は顕著ではない。 CLAIREでは,臨床関連サイズの画像の登録を数秒で行うだけでなく,前例のない解像度で画像の登録を合理的に行うことができる。最大解像度は2816\times3016\times1162$である。我々の知る限りでは、このような解像度での画像登録品質に関する最初の研究である。

関連論文リスト

A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Higher Chest X-ray Resolution Improves Classification Performance [58.720142291102135]
本研究は胸部X線分類性能に及ぼすトレーニング解像度の影響について検討した。その結果,高解像度,特に1024×1024ピクセルのトレーニングにより,全体分類性能が向上した。
論文参考訳（メタデータ） (2023-06-09T17:21:52Z)
Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文参考訳（メタデータ） (2023-02-05T02:41:46Z)
Improving Statistical Fidelity for Neural Image Compression with Implicit Local Likelihood Models [31.308949268401047]
ロスシー画像圧縮は、オリジナルへの忠実さを維持しながら、可能な限り数ビットで画像を表現することを目的としている。 VQ-VAEオートエンコーダを用いて得られた局所像の量子化を条件とした非バイナリ判別器を提案する。
論文参考訳（メタデータ） (2023-01-26T15:55:43Z)
Iterative Patch Selection for High-Resolution Image Recognition [10.847032625429717]
本稿では,メモリ使用量を入力サイズから分離する単純な手法であるIPSを提案する。 IPSは、最も健全なパッチだけを選択してこれを達成し、画像認識のためのグローバルな表現に集約する。本手法は,最小のアクセラレータメモリを使用しながら,異なる領域,トレーニング体制,画像サイズにまたがって高い性能を示し,幅広い適用性を有する。
論文参考訳（メタデータ） (2022-10-24T07:55:57Z)
Very Low-Resolution Iris Recognition Via Eigen-Patch Super-Resolution and Matcher Fusion [69.53542497693086]
局所像パッチの固有変換に基づいて虹彩画像の再構成に用いる超解像アルゴリズムの評価を行った。コントラストの強化は再現性を向上させるのに用いられ、マーカ融合は虹彩認識性能を改善するために採用されている。
論文参考訳（メタデータ） (2022-10-18T11:25:19Z)
A Survey of Super-Resolution in Iris Biometrics with Evaluation of Dictionary-Learning [0.0]
解像度の欠如は、画像ベースのバイオメトリックスの性能に悪影響を及ぼす。本稿では,本論文で提案するアイリス超解像法について述べる。また,局所像パッチのPCA固有変換に基づく固有パッチ再構成手法を適用した。
論文参考訳（メタデータ） (2022-03-27T03:58:10Z)
MICDIR: Multi-scale Inverse-consistent Deformable Image Registration using UNetMSS with Self-Constructing Graph Latent [0.0]
本稿ではVoxelmorphアプローチを3つの異なる方法で拡張する。変形の小さい場合や大きな場合の性能向上のために,マルチスケールのUNetを用いて,解像度の異なるモデルの監視を行った。脳MRIの登録作業において、提案手法はANTやVoxelMorphよりも大幅に改善された。
論文参考訳（メタデータ） (2022-03-08T18:07:47Z)
A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文参考訳（メタデータ） (2021-07-09T13:35:59Z)
Advanced Single Image Resolution Upsurging Using a Generative Adversarial Network [0.0]
ファジィ品質のため、解像度の低い画像が適さないため、画像の高解像度が常に好ましい。ディープネットワークを用いたResidual In Residual Dense Blockネットワークアーキテクチャを用いて,高解像度画像を生成する手法を提案する。
論文参考訳（メタデータ） (2020-05-30T05:40:44Z)
Learning When and Where to Zoom with Deep Reinforcement Learning [101.79271767464947]
そこで本稿では,高解像度のデータをペアで,安価で低解像度の画像に対していつ,どこで使用・取得するかを識別する強化学習手法を提案する。我々は、CIFAR10、CIFAR100、ImageNet、fMoWデータセット上で実験を行い、全高解像度画像を使用するモデルと同等の精度を維持しながら、非常に少ない高解像度データを使用する。
論文参考訳（メタデータ） (2020-03-01T07:16:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。